第一章 卷积神经网络基础

目录

1 边缘检测

2 padding

3 卷积步长

4 三维卷积

5 单层卷积神经网络

6 池化层

7 卷积神经网络范例

---

计算机视觉是深度学习应用的主要方向之一，一般的CV问题包括三类：图像分类，目标识别记忆风格转换，传统神经网络处理CV问题时网络权重W非常大，会造成神经网络结构复杂，易过拟合，同时所需的内存计算量极大，解决方法就是使用卷积神经网络。

1 边缘检测

神经网络解决CV问题实际上就是从浅层到深层，先检测边缘特征，局部特征，然后检测出整体面部轮廓的过程。

常见的图片边缘有两类，分别是垂直边缘和水平边缘。

我们可以通过与滤波器（也就是卷积核）进行卷积来实现对边缘的检测，以垂直边缘检测为例，图片尺寸为6x6，滤波器尺寸为3x3，卷积后的图片尺寸为4x4，下图表示为：

深度学习中的卷积操作就是和卷积核对应位置元素相乘再求和，上图只显示了了卷积后的第一个和最后一个值。

下图是一个检测垂直边缘的例子

上图中使用的卷积核是一个典型的垂直边缘检测算子，上图可以看出最右边图中明亮部分就是垂直边缘的位置。

图片边缘有两种改变方式，一种是由明变暗，另一种是由暗变明，其实本质上都是检测边缘

上图从左至右由明变暗，也就是卷积图像中图像为明；另一种由暗变明则是卷积图像中图像为暗。

上面使用的都是垂直边缘的例子，很显然还有水平边缘检测的算子

除了简单的水平垂直边缘检测还有别的常用卷积核，比如例如Sobel filter和Scharr filter。这两种滤波器的特点是增加图片中心区域的权重。